模型训练和车道线预测方法、电子设备和自动驾驶车辆技术

本公开提供了一种模型训练和车道线预测方法、电子设备和自动驾驶车辆，涉及人工智能技术领域，尤其涉及深度学习、图像处理和自动驾驶领域。具体实现方案为：基于多个样本图像中每个样本图像的车道线特征进行聚类，得到至少一个特征集合；基于所述至少一个特征集合中每个特征集合的聚类中心，得到至少一个中心特征；基于所述每个样本图像的车道线特征与所述至少一个中心特征中每个中心特征之间的偏置，得到所述每个样本图像的标注数据；基于所述多个样本图像以及所述每个样本图像的标注数据，训练得到车道线预测模型。训练得到车道线预测模型。训练得到车道线预测模型。

【技术实现步骤摘要】
模型训练和车道线预测方法、电子设备和自动驾驶车辆


[0001]本公开涉及人工智能
，尤其涉及深度学习、图像处理和自动驾驶领域。

技术介绍

[0002]车道线识别是自动驾驶场景的一种重要感知技术。为了方便存储和应用识别到的车道线信息，车道线信息一般都是采用矢量化参数表征的。由于矢量化参数的搜索空间较大，因此，目前获取车道线的矢量化参数的方式一般是先进行图像感知识别，得到图像中的车道线像素的集合，再基于该集合拟合出车道线，处理过程比较繁琐。

技术实现思路

[0003]本公开提供了一种模型训练和车道线预测方法、电子设备和自动驾驶车辆。
[0004]根据本公开的一方面，提供了一种模型训练方法，包括：
[0005]基于多个样本图像中每个样本图像的车道线特征进行聚类，得到至少一个特征集合；
[0006]基于至少一个特征集合中每个特征集合的聚类中心，得到至少一个中心特征；
[0007]基于每个样本图像的车道线特征与至少一个中心特征中每个中心特征之间的偏置，得到每个样本图像的标注数据；
[0008]基于多个样本图像以及每个样本图像的标注数据，训练得到车道线预测模型。
[0009]根据本公开的另一方面，提供了一种车道线预测方法，包括：
[0010]基于车道线预测模型对待预测图像进行处理，得到预测数据；其中，预测数据包括与至少一个中心特征分别对应的至少一个预测偏置；其中，至少一个中心特征为基于多个样本图像中每个样本图像的车道线特征进行聚类得到的至少一个特征集合的聚类中心；
[0011]基于至少一个预测偏置以及至少一个中心特征，得到待预测图像中的车道线特征。
[0012]根据本公开的另一方面，提供了一种模型训练装置，包括：
[0013]聚类模块，用于基于多个样本图像中每个样本图像的车道线特征进行聚类，得到至少一个特征集合；
[0014]中心特征获取模块，用于基于至少一个特征集合中每个特征集合的聚类中心，得到至少一个中心特征；
[0015]标注模块，用于基于每个样本图像的车道线特征与至少一个中心特征中每个中心特征之间的偏置，得到每个样本图像的标注数据；
[0016]训练模块，用于基于多个样本图像以及每个样本图像的标注数据，训练得到车道线预测模型。
[0017]根据本公开的另一方面，提供了一种车道线预测装置，包括：
[0018]图像处理模块，用于基于车道线预测模型对待预测图像进行处理，得到预测数据；其中，预测数据包括与至少一个中心特征分别对应的至少一个预测偏置；其中，至少一个中
心特征为基于多个样本图像中每个样本图像的车道线特征进行聚类得到的至少一个特征集合的聚类中心；
[0019]特征转换模块，用于基于至少一个预测偏置以及至少一个中心特征，得到待预测图像中的车道线特征。
[0020]根据本公开的另一方面，提供了一种电子设备，包括：
[0021]至少一个处理器；以及
[0022]与该至少一个处理器通信连接的存储器；其中，
[0023]该存储器存储有可被该至少一个处理器执行的指令，该指令被该至少一个处理器执行，以使该至少一个处理器能够执行本公开任一实施例中的方法。
[0024]根据本公开的另一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，该计算机指令用于使计算机执行本公开任一实施例中的方法。
[0025]根据本公开的另一方面，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现本公开任一实施例中的方法。
[0026]根据本公开的技术，利用多个样本图像，聚类得到车道线特征的中心特征，将车道线特征转换为车道线特征与中心特征之间的偏置，从而将搜索车道线特征转换为搜索车道线特征与中心特征之间的偏置，降低特征的搜索空间，从而可以通过训练车道线预测模型，基于模型得到用于表征车道线的车道线特征，提高车道线矢量化的效率。
[0027]应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
[0028]附图用于更好地理解本方案，不构成对本公开的限定。其中：
[0029]图1是根据本公开一个实施例提供的模型训练方法的示意图；
[0030]图2是根据本公开实施例中车道线预测模型的示意图；
[0031]图3是根据本公开一个实施例提供的车道线预测方法的示意图；
[0032]图4是根据本公开一个实施例提供的模型训练装置的示意图；
[0033]图5是根据本公开另一个实施例提供的模型训练装置的示意图；
[0034]图6是根据本公开又一个实施例提供的模型训练装置的示意图；
[0035]图7是根据本公开一个实施例提供的车道线预测装置的示意图；
[0036]图8是根据本公开另一个实施例提供的车道线预测装置的示意图；
[0037]图9是用来实现本公开实施例的模型训练方法或车道线预测方法的电子设备的框图。
具体实施方式
[0038]以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
[0039]图1示出了根据本公开一个实施例的模型训练方法的示意图。如图1所示，该方法
包括：
[0040]步骤S110，基于多个样本图像中每个样本图像的车道线特征进行聚类，得到至少一个特征集合；
[0041]步骤S120，基于至少一个特征集合中每个特征集合的聚类中心，得到至少一个中心特征；
[0042]步骤S130，基于每个样本图像的车道线特征与至少一个中心特征中每个中心特征之间的偏置，得到每个样本图像的标注数据；
[0043]步骤S140，基于多个样本图像以及每个样本图像的标注数据，训练得到车道线预测模型。
[0044]示例性地，在本公开实施例中，样本图像可以指用于训练车道线预测模型的图像。样本图像可以包括车道线图像。
[0045]示例性地，车道线特征可以包括用于表征车道线位置、线型等属性的各种特征，例如，车道线特征可以包括图像中车道线所对应的多项式的参数，或者，若车道线为直线，车道线特征可以包括车道线的端点坐标、斜率等信息。
[0046]示例性地，可以采用预设的聚类算法对多个样本图像的车道线特征进行聚类。其中，聚类算法包括但不限于K
‑
Means(K
‑
Means Clustering Algorithm，K均值聚类算法)、DBSCAN(Density
‑
Based Spatial Clustering of Applic本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种模型训练方法，包括：基于多个样本图像中每个样本图像的车道线特征进行聚类，得到至少一个特征集合；基于所述至少一个特征集合中每个特征集合的聚类中心，得到至少一个中心特征；基于所述每个样本图像的车道线特征与所述至少一个中心特征中每个中心特征之间的偏置，得到所述每个样本图像的标注数据；基于所述多个样本图像以及所述每个样本图像的标注数据，训练得到车道线预测模型。2.根据权利要求1所述的方法，还包括：针对所述每个样本图像，对其中的车道线像素集合进行曲线拟合，得到所述每个样本图像中的车道线所对应的多项式的参数；基于所述多项式的参数，得到所述每个样本图像的车道线特征。3.根据权利要求1或2所述的方法，其中，所述基于所述多个样本图像以及所述每个样本图像的标注数据，训练得到车道线预测模型，包括：基于预设模型对所述多个样本图像中的第i个样本图像进行处理，得到与所述第i个样本图像对应的预测数据；其中，所述预测数据包括至少一个预测偏置；其中，i为正整数；基于所述第i个样本图像的车道线特征与所述至少一个中心特征中每个中心特征之间的偏置，以及所述至少一个预测偏置，得到第一损失函数；根据所述第一损失函数，调整所述预设模型的参数，并在所述第一损失函数符合预设条件的情况下，将所述预设模型作为所述车道线预测模型。4.根据权利要求3所述的方法，其中，所述基于所述第i个样本图像的车道线特征与所述至少一个中心特征中每个中心特征之间的偏置，以及所述至少一个预测偏置，得到第一损失函数，包括：基于所述第i个样本图像的车道线特征与所述至少一个中心特征中的第j个中心特征之间的偏置，以及所述至少一个预测偏置中的第j个预测偏置，计算第j个欧式距离；其中，j为正整数；基于所述第j个欧式距离，得到所述第一损失函数。5.一种车道线预测方法，包括：基于车道线预测模型对待预测图像进行处理，得到预测数据；其中，所述预测数据包括与至少一个中心特征分别对应的至少一个预测偏置；其中，所述至少一个中心特征为基于多个样本图像中每个样本图像的车道线特征进行聚类得到的至少一个特征集合的聚类中心；基于所述至少一个预测偏置以及所述至少一个中心特征，得到所述待预测图像中的车道线特征。6.根据权利要求5所述的方法，其中，所述车道线预测模型是基于权利要求1
‑
4中任一项所述的方法训练得到的。7.根据权利要求5或6所述的方法，其中，基于所述至少一个预测偏置以及所述至少一个中心特征，得到所述待预测图像中的车道线特征，包括：基于所述至少一个预测偏置中每个预测偏置与其对应的中心特征，得到所述每个预测偏置所对应的预测特征；
基于所述每个预测偏置所对应的预测特征，得到所述待预测图像中的车道线特征。8.根据权利要求5
‑
7中任一项所述的方法，其中，所述车道线特征包括所述待预测图像中的车道线所对应的多项式的参数。9.一种模型训练装置，包括：聚类模块，用于基于多个样本图像中每个样本图像的车道线特征进行聚类，得到至少一个特征集合；中心特征获取模块，用于基于所述至少一个特征集合中每个特征集合的聚类中心，得到至少一个中心特征；标注模块，用于基于所述每个样本图像的车道线特征与所述至少一个中心特征中每个中心特征之间的偏置，得到所述每个样本图像的标注...

【专利技术属性】
技术研发人员：何雷，
申请(专利权)人：北京百度网讯科技有限公司，
类型：发明
国别省市：